Python數(shù)據(jù)科學(xué)基礎(chǔ)與實(shí)踐
定 價(jià)：69.8 元
叢書名：數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)專業(yè)系列規(guī)劃教材
- 作者：王仁武
- 出版時(shí)間：2021/11/1
- ISBN：9787115556097
- 出 版 社：人民郵電出版社
- 中圖法分類：TP311.561
- 頁(yè)碼：
- 紙張：
- 版次：
- 開本：
本書使用數(shù)據(jù)科學(xué)領(lǐng)域中流行的編程語(yǔ)言之一——Python 來(lái)進(jìn)行數(shù)據(jù)的基本處理與可視化、數(shù)據(jù)獲取、數(shù)據(jù)分析、數(shù)據(jù)挖掘、文本挖掘和深度學(xué)習(xí)，旨在幫助讀者掌握從事數(shù)據(jù)科學(xué)工作的技能。
全書共 9 章，主要內(nèi)容包括數(shù)據(jù)科學(xué)概述、Python 基礎(chǔ)知識(shí)、Python 數(shù)據(jù)科學(xué)常用庫(kù)、Python 數(shù)據(jù)獲取、Python 數(shù)據(jù)分析、Python 數(shù)據(jù)挖掘、Python 文本挖掘、深度學(xué)習(xí)基礎(chǔ)和深度學(xué)習(xí)應(yīng)用。
本書可作為普通高等院校數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)、大數(shù)據(jù)應(yīng)用與管理等專業(yè)相關(guān)課程的教材，也可作為數(shù)據(jù)分析從業(yè)人員的參考書。
針對(duì) Python 零基礎(chǔ)讀者，系統(tǒng)講述使用 Python 進(jìn)行數(shù)據(jù)分析、數(shù)據(jù)挖掘及深度學(xué)習(xí)的相關(guān)知識(shí)
基于數(shù)據(jù)分析流程，結(jié)合案例解析，提高讀者的數(shù)據(jù)分析、數(shù)據(jù)挖掘及數(shù)據(jù)可視化等能力
配備豐富的教學(xué)資源，包括 PPT 課件、教學(xué)大綱、數(shù)據(jù)源、代碼、習(xí)題與參考答案等
王仁武，男，工科博士、副教授，現(xiàn)華東師范大學(xué)信息學(xué)系教師，主要研究方向數(shù)據(jù)分析、數(shù)據(jù)挖掘與文本挖掘、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)等。
第 1章 數(shù)據(jù)科學(xué)概述1
1.1 什么是數(shù)據(jù)科學(xué) 1
1.2 如何學(xué)習(xí)數(shù)據(jù)科學(xué) 2
1.3 什么是數(shù)據(jù)科學(xué)家 2
1.4 數(shù)據(jù)科學(xué)家需要掌握的技能 3
1.5 Python與數(shù)據(jù)科學(xué) 3
1.6 數(shù)據(jù)科學(xué)領(lǐng)域常用的Python包 4
1.7 時(shí)代寵兒—深度學(xué)習(xí) 6
習(xí)題 6
第 2章 Python基礎(chǔ)知識(shí) 7
2.1 Python介紹 7
2.1.1 Jupyter Notebook的簡(jiǎn)介及使用 8
2.1.2 Python基礎(chǔ)概念 10
2.1.3輸入和輸出 14
2.1.4運(yùn)算符 15
2.2 常見(jiàn)數(shù)據(jù)結(jié)構(gòu)和基本語(yǔ)句 17
2.2.1序列 17
2.2.2字典 23
2.2.3集合 27
2.2.4基本語(yǔ)句 29
2.3 函數(shù)和模塊 32
2.3.1函數(shù) 32
2.3.2模塊 38
2.4 異常處理 43
2.4.1什么是異�！�43
2.4.2常見(jiàn)異常錯(cuò)誤 43
2.4.3捕捉異�！�44
2.4.4觸發(fā)異常 45
2.5 文件讀寫 45
2.5.1編碼 45
2.5.2讀取文本文件 46
2.5.3 Word文件與Excel文件讀取 51
2.6 Pythonic 51
2.6.1解析式 52
2.6.2三元表達(dá)式 53
2.6.3花樣傳參：zip與星號(hào)操作 54
本章小結(jié) 56
習(xí)題 56
第3章 Python數(shù)據(jù)科學(xué)常用庫(kù) 58
3.1 Python數(shù)據(jù)分析概述 58
3.2 Numpy數(shù)值計(jì)算 59
3.2.1 Numpy基礎(chǔ)簡(jiǎn)介 59
3.2.2 Numpy基礎(chǔ)用法簡(jiǎn)介 60
3.2.3 Numpy數(shù)據(jù)分析常用函數(shù)簡(jiǎn)介 73
3.3 Pandas基礎(chǔ)知識(shí) 76
3.3.1 Series介紹及其基本操作 76
3.3.2 DataFrame介紹及其基本操作 79
3.4 Pandas數(shù)據(jù)預(yù)處理 82
3.4.1數(shù)據(jù)合并 82
3.4.2 數(shù)據(jù)清洗 86
3.4.3 數(shù)據(jù)標(biāo)準(zhǔn)化 88
3.4.4 數(shù)據(jù)轉(zhuǎn)換 89
3.5 Pandas數(shù)據(jù)分析基礎(chǔ) 92
3.5.1 分層索引 92
3.5.2 Pandas常用函數(shù)介紹 97
3.5.3 分組 98
3.5.4 整形和旋轉(zhuǎn) 100
3.5.5 數(shù)據(jù)透視表和交叉表 104
3.6 Matplotlib數(shù)據(jù)可視化 108
3.6.1 Matplotlib簡(jiǎn)介 108
3.6.2 Matplotlib繪圖基礎(chǔ)簡(jiǎn)介 109
3.6.3 常用統(tǒng)計(jì)圖繪制簡(jiǎn)介 113
本章小結(jié) 116
習(xí)題 116
第4章 Python數(shù)據(jù)獲取 118
4.1 數(shù)據(jù)及其類型 119
4.1.1 屬性與屬性類型 119
4.1.2 數(shù)據(jù)類型 120
4.1.3 數(shù)據(jù)集的類型 121
4.2 數(shù)據(jù)獲取方法 124
4.2.1 從文件中獲取數(shù)據(jù) 124
4.2.2 從數(shù)據(jù)庫(kù)中獲取數(shù)據(jù) 130
4.2.3 從網(wǎng)絡(luò)接口獲取數(shù)據(jù) 133
4.2.4 從網(wǎng)頁(yè)抓取數(shù)據(jù) 135
4.3 網(wǎng)絡(luò)爬蟲 135
4.3.1 爬蟲簡(jiǎn)介及爬蟲流程 135
4.3.2 發(fā)起請(qǐng)求 136
4.3.3 獲取響應(yīng)內(nèi)容 138
4.3.4 解析內(nèi)容 139
4.3.5 Selenium 144
本章小結(jié) 147
習(xí)題 147
第5章 Python數(shù)據(jù)分析 149
5.1數(shù)據(jù)分析基礎(chǔ) 150
5.1.1 對(duì)比分析 151
5.1.2 分組分析 152
5.1.3 結(jié)構(gòu)分析 153
5.1.4 分布分析 153
5.1.5 交叉分析 155
5.2 描述性統(tǒng)計(jì)分析 156
5.2.1 數(shù)據(jù)集中趨勢(shì)分析 156
5.2.2 數(shù)據(jù)的離散程度分析 157
5.2.3 數(shù)據(jù)的分布形態(tài)分析 159
5.2.4 相關(guān)分析 160
5.2.5 基于Seaborn的數(shù)據(jù)可視化分析 161
5.3 主成分分析 164
5.3.1 主成分分析原理介紹 164
5.3.2 主成分分析基本流程 165
5.3.3 Python實(shí)現(xiàn)主成分分析 166
5.4 回歸分析 171
5.4.1 簡(jiǎn)單線性回歸分析 172
5.4.2 多元線性回歸分析 177
本章小結(jié) 181
習(xí)題 181
第6章 Python數(shù)據(jù)挖掘 183
6.1 Python數(shù)據(jù)挖掘概述 183
6.1.1 數(shù)據(jù)挖掘分類及常用方法 184
6.1.2 使用Scikit-learn構(gòu)建數(shù)據(jù)挖掘模型 186
6.2 分類預(yù)測(cè)：決策樹算法 193
6.2.1 分類算法概述 193
6.2.2 決策樹算法 194
6.2.3 決策樹分枝 195
6.2.4 決策樹剪枝 198
6.2.5 分類算法評(píng)估 199
6.2.6 決策樹的Python實(shí)現(xiàn) 200
6.3樸素貝葉斯（Naive Bayesian） 202
6.3.1 貝葉斯簡(jiǎn)介 202
6.3.2 構(gòu)建樸素貝葉斯模型 203
6.3.3 樸素貝葉斯的Python實(shí)現(xiàn) 204
6.4 人工神經(jīng)網(wǎng)絡(luò) 205
6.4.1 人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 205
6.4.2 神經(jīng)元與激活函數(shù) 207
6.4.3 前饋神經(jīng)網(wǎng)絡(luò) 211
6.4.4 反向傳播機(jī)制 212
6.4.5 神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn) 215
6.5集成學(xué)習(xí) 220
6.5.1 集成學(xué)習(xí)簡(jiǎn)介 220
6.5.2 裝袋法的代表——隨機(jī)森林 223
6.5.3 boosting的代表——xgboost 230
6.6 關(guān)聯(lián)分析（Association analysis） 232
6.6.1 關(guān)聯(lián)分析概述 232
6.6.2 Apriori算法 235
6.6.3 FP-Growth算法 238
6.6.4 關(guān)聯(lián)規(guī)則的Python實(shí)現(xiàn) 239
6.7 聚類分析 242
6.7.1 聚類分析概述 242
6.7.2 常用聚類算法 243
6.7.3 聚類算法Python實(shí)現(xiàn) 249
本章小結(jié) 252
習(xí)題 252
第7章 文本挖掘 254
7.1 文本挖掘概述 254
7.1.1 文本挖掘的定義 254
7.1.2 Python中的文本挖掘包 255
7.1.3 文本挖掘的過(guò)程 255
7.1.4 文本挖掘的應(yīng)用 256
7.2 Python文本特征提取 256
7.2.1 中文分詞與詞云 256
7.2.2 特征詞量化與文本特征提取 260
7.2.3 文本表示 262
7.3文本分類 268
7.3.1 文本分類概述 268
7.3.2文本分類的Python實(shí)現(xiàn) 269
7.4文本情感分析 271
7.4.1 情感分析概述 271
7.4.2 情感分析的具體應(yīng)用及示例 273
7.5 LDA主題模型 275
7.5.1主題模型簡(jiǎn)介 276
7.5.2主題模型在文本語(yǔ)義挖掘的應(yīng)用 280
本章小結(jié) 282
習(xí)題 283
第8章 深度學(xué)習(xí)基礎(chǔ) 284
8.1 深度學(xué)習(xí)概述 284
8.1.1機(jī)器學(xué)習(xí)與深度學(xué)習(xí) 284
8.1.2 深度學(xué)習(xí)的發(fā)展 285
8.1.3 深度學(xué)習(xí)框架 286
8.2 PyTorch介紹與安裝 287
8.2.1 PyTorch介紹 287
8.2.2 PyTorch安裝 287
8.3 PyTorch基礎(chǔ) 288
8.3.1 Tensor張量 288
8.3.2 Variable變量 289
8.3.3 優(yōu)化器 290
8.3.4 PyTorch與Numpy 290
8.4 卷積神經(jīng)網(wǎng)絡(luò) 292
8.4.1卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 292
8.4.2 二維卷積運(yùn)算的運(yùn)算基礎(chǔ) 293
8.4.3 二維卷積運(yùn)算的填充與步長(zhǎng) 295
8.4.4 三維卷積運(yùn)算 296
8.4.5 其他卷積神經(jīng)網(wǎng)絡(luò)組件 298
8.5 循環(huán)神經(jīng)網(wǎng)絡(luò) 301
8.5.1 RNN的結(jié)構(gòu) 301
8.5.2 RNN存在的問(wèn)題 304
8.5.3 LSTM 304
8.5.4 GRU 305
8.6 CNN與RNN的PyTorch實(shí)現(xiàn) 306
8.6.1 卷積層 306
8.6.2 池化層 307
8.6.3 全連接層 308
8.6.4 RNN 308
8.6.5 LSTM 309
8.6.6 GRU 310
本章小結(jié) 310
習(xí)題 310
第9章 深度學(xué)習(xí)應(yīng)用 313
9.1 圖片分類與遷移學(xué)習(xí) 313
9.1.1 遷移學(xué)習(xí)與傳統(tǒng)模型 313
9.1.2 圖片分類的經(jīng)典案例 315
9.1.3 PyTorch實(shí)現(xiàn)DenseNet 317
9.2 命名實(shí)體識(shí)別 321
9.2.1 命名實(shí)體識(shí)別基礎(chǔ) 321
9.2.2 PyTorch實(shí)現(xiàn)命名實(shí)體識(shí)別 325
本章小結(jié) 330
習(xí)題 331
參考文獻(xiàn) 332
書單推薦
